دیتاست OCR فارسی اَرشاسب

• در این پست، مجموعه داده فارسی OCR ارشاسب (نام باستانی ایرانی) معرفی می‌شود. این مجموعه داده شامل 33000 صفحه متن فارسی بود که 7000 صفحه آن به صورت رایگان منتشر شده است. کلماتی که در کنار یکدیگر قرار می گیرند به همدیگر وابستگی داشته و درباره ی یک موضوع نوشته شده‌اند. به همین دلیل می توان از مدل‌های NLP استفاده نمود تا دقت مدل‌های OCR افزایش یابد. در این مجموعه‌داده، موقعیت هر کلمه دقیقاً برچسب گذاری شده است. به این نمونه زیر نگاه کنید:

برای اطلاعات بیشتر می‌توانید مخزنِ github زیر را مشاهده کنید.

https://github.com/persiandataset/Arshasb

_____________________________________________________________________________________________

دانلود

مجموعه داده ارشاسب 7 هزار صفحه‌ایی در لینک زیر قابل دانلود است (~730M)

• https://drive.google.com/file/d/1G9JEZY9MSzaND8ynnFodIXQvMMM1_6J3

همچنین، اگر مجموعه‌داده‌ی 33000 صفحه‌ایی را می‌خواهید، با من hubare.ra[at]gmail.com تماس بگیرید.

_____________________________________________________________________________________________

جزئیات

تعداد کلمات منحصر به فرد با حذف اعداد و علائم نگارشی 97498 است که در نسخه 7k این تعداد به 40911 کلمه‌ی منحصر به فرد کاهش می یابد.

محتوای این مجموعه‌داده شامل متون عمومی و خبری است. فونت این مجموعه داده Far_ketab بوده است.

اگه از این دیتاست استفاده کردی اگه دوست داشتی یک کافی مهمونم کن از طریق این لینک زیر! خوشحال میشم.

https://www.coffeete.ir/persiandataset